基于LDP的人脸识别方法研究

摘要

人脸是人类一出生就具有的，可以作为人类在网络时代的信息交互的一种凭证，它具有独立性、唯一性与不被复制性，而且还具有各种立体信息，包括视觉和多维度识别信息。因此人脸识别技术逐渐应用于互联网时代，与虹膜识别、指纹识别等生物独有的特征识别相比，其具有独特的优点，主要表现为隐蔽性高、并发性好、非接触性、对硬件设备要求低等。
　　在将现有人脸识别相关文献大量阅读之后，在前人研究的理论基础之上，研究了基于局部方向模式（LDP）的人脸识别方法，主要工作叙述如下：
　　（1）针对现有方法仅利用了图像自身的LDP特征，并没有使用面部图像的先验信息的缺点，提出基于LDP和贝叶斯模型的识别方法。首先在互相独立的训练集上，学习同类样本图像和异类样本图像的LDP直方图特征相似度的先验信息，并估计类条件概率密度函数（同类与异类样本分别计算）；其次利用面部图像的LDP直方图比较该图像是否为某一类型图像的概率数值大小；最后使用贝叶斯规则进行分类。此方法在ORL与Yale面部图像库上进行识别实验，与传统PCA、LBP和LDP方法相比较，面部识别率均有了显著提升。
　　（2）为了进一步提高LDP方法的人脸识别率，结合整体特征、局部特征以及集成分类器的优势，提出一种基于DCT和LDP特征的集成分类器识别方法。该方法首先选择包含面部主要信息的低频DCT系数作为面部的频域特征，然后求取LDP特征直方图，得到LDP面部特征，然后将提取的这两种特征分别用SVM、最近邻分类器进行首次分类，最后构造一个基于神经网络的集成分类器模型，对如上所述的两个分类器的输出结果进行决策融合，并通过在神经网络的输出层构建多任务分类器，使训练过程中分类器能够充分利用多个相关任务所包含的信息。该方法综合考虑DCT和LDP的优点，并利用决策融合的思想实现分类集成的面部识别方法。经过仿真结果证明，此方法在ORL与Yale面部图像库上的结果，与传统PCA、LBP和LDP算法相比较，面部识别率均有了显著提升。

目录

声明

插图索引

插表索引

第1章 绪论

1.1研究背景和意义

1.2国内外研究现状

1.3面部数据库介绍

1.4本文研究内容和论文结构

第2章 人脸图像预处理

2.1引言

2.2光照归一化

2.3图像去噪处理

2.4人脸检测

2.5尺寸归一化处理

2.6本章小结

第3章 局部方向模式及其改进

3.1局部二值模式（LBP）

3.2局部方向模式（LDP）的基础理论

3.3基于主方向归一化的局部方向模式方法

3.4基于分块的局部方向模式方法

3.5本章小结

第4章 基于LDP和贝叶斯模型的人脸识别

4.1引言

4.2基于LDP和贝叶斯模型的识别方法

4.3仿真结果和分析

4.4本章小结

第5章 基于DCT和LDP集成分类器的人脸识别

5.1引言

5.2离散余弦变换（DCT）

5.3平均最大距离梯度幅值（AMDGM）

5.4多任务学习

5.5基于DCT和LDP集成分类器的识别方法

5.6实验结果及分析

5.7本章小结

总结与展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文目录